论文提出双编码器睡眠基础模型 SleepMaMi，并在大规模 PSG 数据上预训练
资讯摘要
论文提出睡眠基础模型 SleepMaMi，采用分层双编码器设计：Macro-Encoder 建模整夜睡眠的时间依赖，Micro-Encoder 捕捉生物信号的短期特征。前者通过人口学引导的对比学习，将整夜睡眠模式与年龄、性别、BMI 等元数据对齐；后者结合 MAE 与多模态对比目标优化。作者报告该模型在超过 20,000 份 PSG 记录（158K 小时）上预训练，在多项下游任务中优于或持平现有基础模型。
要点速读
- 采用 Macro-Encoder 与 Micro-Encoder 的分层双编码器，分别建模整夜宏观结构与细粒度信号形态
- Macro-Encoder 使用人口学引导对比学习，对齐年龄、性别、BMI 等受试者元数据
- 作者报告在超过 20,000 份 PSG 记录（158K 小时）上预训练，下游任务表现优于或持平现有基础模型
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。